Ứng dụng phương pháp bình chọn các mô hình trí tuệ nhân tạo để phân loại hai lớp và đa lớp trong xây dựng

Bài viết sử dụng hai bộ dữ liệu về sự hóa lỏng đất (hai lớp) và lỗi sai trên thép tấm (đa lớp) để kiểm tra tính hiệu quả của mô hình đề xuất. Kết quả cho thấy mô hình voting vượt trội so với các mô hình so sánh khác trong việc phân loại dữ liệu. Trong đó, NBDT là mô hình voting tốt nhất khi phân loại bộ dữ liệu hai lớp (87.168%) và SVM-DT cho hiệu suất làm việc tốt nhất khi phân loại bộ dữ liệu đa lớp (89.505%).
Nội dung trích xuất từ tài liệu:
Ứng dụng phương pháp bình chọn các mô hình trí tuệ nhân tạo để phân loại hai lớp và đa lớp trong xây dựng146 KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC” Ứng dụng phương pháp bình chọn các mô hình trí tuệ nhân tạo để phân loại hai lớp và đa lớp trong xây dựng Phạm Thị Phương Trang Danang of Technology and Education, The University of Danang, ptptrang@ute.udn.vn Tóm tắt. Phân loại là một trong những nhiệm vụ quan trọng trong lĩnh vực xây dựng. Phân loại có hai dạng chính là phân loại hai lớp và đa lớp (nhiều hơn hai lớp). Nếu phân loại chính xác, các nhà quản lý có thể giảm thiểu tối đa mức độ rủi ro trong quá trình thực hiện công việc. Do đó, việc tạo ra mô hình có thể dự báo đồng thời các bộ dữ liệu hai lớp và đa lớp với hiệu quả cao là mối quan tâm của các nhà nghiên cứu khoa học. Mục tiêu của bài báo là đề xuất phương pháp bình chọn voting để tạo nên mô hình tối ưu nhất giải quyết bài toán phân loại trong xây dựng. Mô hình voting được xây dựng từ ba mô hình phân loại trí tuệ nhân tạo đơn lẻ phổ biến đó là máy học vectơ hỗ trợ (SVM), Navie Bayes (NB) và Cây quyết định (DT). Trong nghiên cứu này, tác giả sử dụng hai bộ dữ liệu về sự hóa lỏng đất (hai lớp) và lỗi sai trên thép tấm (đa lớp) để kiểm tra tính hiệu quả của mô hình đề xuất. Kết quả cho thấy mô hình voting vượt trội so với các mô hình so sánh khác trong việc phân loại dữ liệu. Trong đó, NB- DT là mô hình voting tốt nhất khi phân loại bộ dữ liệu hai lớp (87.168%) và SVM-DT cho hiệu suất làm việc tốt nhất khi phân loại bộ dữ liệu đa lớp (89.505%). Từ khóa: Trí tuệ nhân tạo, máy học vectơ hỗ trợ, Navie Bayes, cây quyết định. Abstract. Classification can be considered one of critical tasks in civil engineering. Classification problem includes two main forms - binary and multiclass classification (more than two classes). Clearly, with the accurate classification, the managers can reduce a minimum of the level of risk in work progress. Therefore, creating a model which predicts both binary classification and multiclass classification is the concern of researchers. The goal of the study is to propose models-based voting strategy to handle classification problem in civil engineering field. Voting models are taken shape from three basic popular artificial intelligent classification models, including Support vector machine (SVM), Navie Bayes (NB) and Decision tree (DT). In the study, the author applies two datasets which are soil liquefaction and steel plate fault detection to evaluate the performance of proposed models. The results show that voting model outperforms other models when classifying datasets. Specifically, NB-DT is the best voting model with binary class dataset (87.168%) and SVM-DT yields the best performance when applying multiple class dataset (89.505%). Keywords: Artificial intelligent, Support vector machine, Navie Bayes, Decision tree.1 Đặt vấn đềPhân loại là chìa khoá giúp loài người nhận biết được thế giới. Phân loại liên quan đến lĩnh vực xây dựngrất đa dạng, phong phú và cũng rất phức tạp. Phân loại có hai dạng chính là phân loại hai lớp và phân loạiđa lớp. Một số ví dụ về phân loại trong xây dựng có thể kể đến như sự hóa lỏng của đất (hóa lỏng haykhông hóa lỏng), phân loại chất lượng công trình (tốt, trung bình, xấu…), phân loại rủi ro công trình, phânloại mức độ tranh cãi trong đấu thầu xây dựng (tranh cãi, không tranh cãi, ra tòa…), phân loại cường độ bêtông (cao, thấp hoăc trung bình), phân loại lỗi sai trên thép tấm …. Vậy, mục đích của việc phân loại làgiúp đưa ra những dự báo về rủi ro một cách nhanh chóng và chính xác để từ đó đề xuất phương án khắcphục và giải quyết khi sự cố xảy ra. Hiện nay, trên thế giới có rất nhiều thuật toán và mô hình đã ra đờinhằm giải quyết bài toán này, nhưng những thuật toán này chưa có độ chính xác cao và rất ít công trìnhnghiên cứu giải quyết vấn đề phân loại hai lớp và đa lớp cùng một lúc. Ngoài ra, hầu hết các công thức tínhPhạm Thị Phương Trang 147toán đều được xây dựng trên quan điểm của từng tác giả và các kết quả đo được từ thực nghiệm nên phạmvi sử dụng và kết quả tính toán của mỗi công thức rất khác nhau. Gần đây, các thuật toán dựa trên trí tuệ nhân tạo (TTNT) là những công cụ hữu hiệu để giải quyết cácbài toán trong lĩnh vực xây dựng, trong đó có cả phân loại. Một số nghiên cứu đã sử dụng TTNT như ứngdụng TTNT để dự đoán vấn đề tranh cãi trong các dự án PPP [1] hay áp dụng các thuật toán TTNT để dựđoán rủi ro các dự án thi công cầu [2], hay sử dụng TTNT phân loại chất lượng ngu ...